IntentFlow: Интерактивная поддержка для передачи намерений с помощью больших языковых моделей в задачах письма

Механизм успеха этого промпта идентичен предыдущему и основан на выводах исследования:

1. Управление тоном: Намерения Тон: Дружелюбный, но профессиональный и НЕ УПОМИНАТЬ слово "просрочка" работают в связке. Разделение этих инструкций помогает LLM точно откалибровать стиль письма, избегая как излишней фамильярности, так и агрессии.
2. Контекстуализация просьбы: Разделы ЦЕЛЬ и КОНТЕКСТ дают модели всю необходимую информацию для понимания ситуации. Намерение Обоснование срочности напрямую связано с контекстом и позволяет LLM сгенерировать логичное и убедительное объяснение, а не просто формальную просьбу.
3. Предотвращение ошибок: Явное указание НЕ ИСПОЛЬЗОВАТЬ пассивно-агрессивные формулировки — это прямое применение выводов исследования о важности управления нежелательными элементами (Delete/Adjust intents). Это защищает от генерации текста, который может испортить отношения с коллегой, даже если общая цель (получить отчет) будет достигнута.

Исследование представляет систему IntentFlow, которая улучшает взаимодействие с LLM при написании текстов. Вместо обычного чата, система автоматически извлекает из запроса пользователя высокоуровневую "цель" (например, "написать email профессору") и набор низкоуровневых "намерений" (например, "быть вежливым", "сохранять формальный тон", "быть кратким"). Эти цели и намерения отображаются в виде редактируемых элементов интерфейса, что позволяет пользователю легко их изменять, удалять или добавлять, получая более предсказуемый и соответствующий ожиданиям результат.

Ключевой результат: Структурированное управление намерениями значительно эффективнее и удобнее, чем повторные попытки переформулировать запрос в обычном чате.

Суть метода заключается в том, чтобы перестать писать промпты как сплошной поток сознания и начать мыслить как стратег, разделяя свой запрос на два уровня:

1. Цель (Goal): Это высокоуровневая, главная задача. Что в итоге должно получиться? Пример: "Написать пост для соцсетей о новом сорте кофе".
2. Намерения (Intents): Это низкоуровневые, конкретные инструкции, предпочтения, ограничения и стилистические требования. Как именно цель должна быть достигнута? Примеры: "Сделать текст энергичным и бодрым", "Целевая аудитория — студенты", "Упомянуть нотки шоколада и орехов", "Длина — не более 3 предложений", "Избегать сложных терминов".

Проблема обычных чатов в том, что LLM может "потерять" или неверно интерпретировать некоторые из ваших намерений, особенно если они разбросаны по тексту промпта или противоречивы. Исследование показало, что когда намерения представлены как отдельный, структурированный список, модель обрабатывает их гораздо надежнее.

Практическая методика для пользователя: Поскольку у нас нет интерфейса IntentFlow, мы симулируем его прямо в промпте с помощью разметки. Вы должны явно выделить и перечислить свои цели и намерения. Это заставляет и вас четче формулировать задачу, и LLM — лучше ее понимать.

• Прямая применимость: Пользователь может немедленно начать применять этот подход, структурируя свои промпты с помощью заголовков и списков (например, в Markdown). Вместо того чтобы писать "Напиши веселый пост про кофейню для студентов, кратко и про шоколадные нотки", пользователь пишет структурированный промпт, явно разделяя цель и намерения.

• Концептуальная ценность: Огромна. Пользователь получает "рентгеновское зрение" для своих промптов. Когда ответ LLM не устраивает, можно задать себе вопросы: "Модель не поняла цель или проигнорировала одно из намерений?". Это позволяет точечно корректировать запрос, а не переписывать его целиком. Ключевая концептуальная идея: неудача LLM — это часто не провал в понимании общей задачи, а провал в следовании одному или нескольким конкретным намерениям.

• Потенциал для адаптации: Очень высокий. Метод легко адаптируется под любую задачу (написание кода, email, маркетингового текста, плана путешествия) и любую LLM. Механизм адаптации — использование разметки (Markdown, XML-теги) для создания в промпте секций "ЦЕЛЬ" и "НАМЕРЕНИЯ". Это простой, но мощный способ привнести структуру в хаос естественного языка.

Представим, что вы SMM-менеджер и вам нужно написать пост для Instagram кофейни.

# ЗАДАЧА: Создать рекламный пост для Instagram

## ЦЕЛЬ:
Написать короткий, вовлекающий текст о новом летнем напитке "Цитрусовый Физз".

## КОНТЕКСТ:
- **Продукт:** "Цитрусовый Физз" - холодный кофейный напиток с добавлением апельсинового сока и тоника.
- **Платформа:** Instagram.
- **Целевая аудитория:** Молодые люди (18-30 лет), ищущие освежающие напитки в жару.

---

# НАМЕРЕНИЯ (ИНСТРУКЦИИ):
Вот конкретные требования к тексту. Следуй им неукоснительно.

*   **Тон:** Энергичный, веселый, игривый. Используй короткие предложения.
*   **Ключевое сообщение:** Подчеркни, что это идеальный напиток для спасения от летней жары.
*   **Описание вкуса:** Обязательно упомяни "взрыв цитрусовой свежести" и "бодрящие кофейные нотки".
*   **Призыв к действию (CTA):** В конце добавь призыв "Забегай к нам охладиться!".
*   **Ограничения:**
    *   **НЕ ИСПОЛЬЗОВАТЬ** сложные кофейные термины (например, "экстракция", "кремá").
    *   **НЕ СРАВНИВАТЬ** с другими напитками.
*   **Форматирование:** Добавь 2-3 релевантных эмодзи (например, 🍊,☀️,❄️).

---

## СТРУКТУРА ВЫВОДА:
1.  Яркий заголовок (2-3 слова).
2.  Основной текст (2-3 предложения).
3.  Призыв к действию.
4.  Подборка из 5-7 хэштегов.

Этот промпт работает, потому что он напрямую симулирует логику системы IntentFlow, делая запрос предельно ясным для LLM:

1. Четкое разделение: Заголовки # ЗАДАЧА, ## ЦЕЛЬ и # НАМЕРЕНИЯ создают жесткую структуру. Модель сразу понимает, где общая задача, а где — конкретные правила ее выполнения. Это аналог разных панелей в интерфейсе IntentFlow.
2. Атомарность намерений: Каждое намерение представлено как отдельный пункт списка (*). Это позволяет модели обрабатывать каждую инструкцию по отдельности, что снижает вероятность того, что какое-то из требований будет "потеряно" или проигнорировано.
3. Явные ограничения: Использование НЕ ИСПОЛЬЗОВАТЬ и НЕ СРАВНИВАТЬ — это пример "негативного промптинга" (удаления нежелательных намерений), который, как показало исследование, очень важен для точной настройки результата.
4. Снижение двусмысленности: Вместо того чтобы смешивать все в одном предложении, структура устраняет двусмысленность и дает модели четкий "чек-лист", по которому нужно сгенерировать ответ.

Задача: написать письмо коллеге с просьбой предоставить отчет.

# ЗАДАЧА: Написать деловое письмо коллеге

## ЦЕЛЬ:
Получить от Ивана Петрова ежемесячный отчет по продажам за июль 2024 года.

## КОНТЕКСТ:
- **Получатель:** Иван Петров, мой коллега из отдела продаж. У нас хорошие рабочие отношения.
- **Срок:** Отчет нужен мне до пятницы, 16:00, для подготовки сводной презентации для руководства.
- **Предыстория:** Обычно Иван присылает отчет вовремя, но в этом месяце есть задержка.

---

# НАМЕРЕНИЯ (ИНСТРУКЦИИ):
При написании письма строго придерживайся следующих правил:

*   **Тон:** Дружелюбный, но профессиональный. Не обвиняющий и не требовательный.
*   **Ключевое сообщение:** Мягко напомнить о необходимости предоставить отчет.
*   **Обоснование срочности:** Кратко объяснить, почему отчет нужен именно к этому сроку (для презентации руководству). Это добавит веса просьбе.
*   **Проявление гибкости:** Предложить помощь, если у Ивана возникли какие-то трудности с подготовкой отчета.
*   **Ограничения:**
    *   **НЕ УПОМИНАТЬ** слово "просрочка" или "задержка".
    *   **НЕ ИСПОЛЬЗОВАТЬ** пассивно-агрессивные формулировки (например, "Как ты помнишь...").
*   **Тема письма:** Должна быть четкой и информативной, например: "Отчет по продажам за июль".

---

## СТРУКТУРА ВЫВОДА:
1.  Тема письма.
2.  Приветствие.
3.  Основная часть (напоминание и обоснование).
4.  Предложение помощи.
5.  Завершающая фраза и подпись.